手把手教你多套GEO数据集合并

各位科研芝士的小伙伴，TCGA、GEO数据库的挖掘现如今已经十分火爆。不可否认，现如今各种培训层出不穷，几乎都是给你一个代码让你去跑，却并没有让你真正懂其精髓。今天我们一文帮助大家学习GEO数据库中的一个难点：两套GEO数据集如何合并获得一个更大的表达矩阵。今天我们就攻下这个高地。

欲练此功，先有其data。今天我们选择的数据集为胰腺癌研究的数据集：GSE46234和GSE3325。

GSE46234数据集包括4个正常组织和4个胰腺癌组织； GSE3325数据集包括6个正常组织和13个肿瘤组织。

注意

首先大家需要自行获取相应的表达矩阵，我们也已经整理好相应的表达矩阵的R文件，大家可以后台留言“表达矩阵”获取，本案例的目的是带着大家实现数据集的合并操作。

不同的GEO数据集中，由于存在不同实验的仪器不同，实验人员的熟练程度也不同，甚至试剂都不同，这样就会造成实验的batch差异。我们需要进行实验批次矫正了(batch normalization)，接下来我们需要掌握基于去除批次效应的数据集合并。

批次矫正采用sva工具包

1. 安装加载sva包，直接install和library即可

2. 加载GSE3325数据集和GSE46234数据集，由于我们事先保存成Rdata文件，因此我们需要load进去

3. 数据集合并，我们基于load进去之后的变量，1为GSE3325的数据，2为GSE46234的数据，我们将数据集合并成一个merge_eset对象：

具体数据内容如下：

查看一下数据集维度，发现为20183行，27列，每行代表一个基因，每列代表一个样本，前面19个样本为GSE3325数据集，后面8个样本为GSE46234数据集，一共27个样本

4. 整理成sva包所需要的数据类型，首先变成矩阵格式，接着将每个维度的名字变成列表，最后整理成矩阵格式的data，如下：

结果：

5. 设置需要考虑的批次效应有哪些，一是不同的GSE号，二是不同的normal和tumor样本数量。

可以看到先是batchType，在是modType，最后采用model.matrix生成一个mod对象即可。

6. 一行命令搞定批次去除，主要是Combat命令的使用，将我们的需要考虑的batchType，mod，作为参数填充，即可

结果如下：

OK，这样的话我们就可以实现批次去除，实现多套GEO数据的整合，我们平台近期会推出了GEO数据全面打通教程，帮助你彻底了解GEO数据库，敬请期待！